論文の概要: MOSS-TTSD: Text to Spoken Dialogue Generation

• arxiv url: http://arxiv.org/abs/2603.19739v1
• Date: Fri, 20 Mar 2026 08:23:31 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-03-23 19:48:39.051405
• Title: MOSS-TTSD: Text to Spoken Dialogue Generation
• Title（参考訳）: MOSS-TTSD:音声対話生成のためのテキスト
• Authors: Yuqian Zhang, Donghua Yu, Zhengyuan Lin, Botian Jiang, Mingshu Chen, Yaozhou Jiang, Yiwei Zhao, Yiyang Zhang, Yucheng Yuan, Hanfu Chen, Kexin Huang, Jun Zhan, Cheng Chang, Zhaoye Fei, Shimin Li, Xiaogui Yang, Qinyuan Cheng, Xipeng Qiu,
• Abstract要約: 複数の言語にまたがる多人数会話音声のための音声対話合成モデルであるMOSS-TTSDを提案する。 長文モデリングの強化により、MOSS-TTSDは明示的な話者タグを持つ対話スクリプトから長文音声対話を生成する。 このモデルは、英語や中国語を含む様々な主流言語をサポートし、いくつかの長文のシナリオに適応している。
• 参考スコア（独自算出の注目度）: 62.04179716555789
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Spoken dialogue generation is crucial for applications like podcasts, dynamic commentary, and entertainment content, but poses significant challenges compared to single-utterance text-to-speech (TTS). Key requirements include accurate turn-taking, cross-turn acoustic consistency, and long-form stability, which current models often fail to address due to a lack of dialogue context modeling. To bridge this gap, we present MOSS-TTSD, a spoken dialogue synthesis model designed for expressive, multi-party conversational speech across multiple languages. With enhanced long-context modeling, MOSS-TTSD generates long-form spoken conversations from dialogue scripts with explicit speaker tags, supporting up to 60 minutes of single-pass synthesis, multi-party dialogue with up to 5 speakers, and zero-shot voice cloning from a short reference audio clip. The model supports various mainstream languages, including English and Chinese, and is adapted to several long-form scenarios. Additionally, to address limitations of existing evaluation methods, we propose TTSD-eval, an objective evaluation framework based on forced alignment that measures speaker attribution accuracy and speaker similarity without relying on speaker diarization tools. Both objective and subjective evaluation results show that MOSS-TTSD surpasses strong open-source and proprietary baselines in dialogue synthesis.
• Abstract（参考訳）: 音声対話生成はポッドキャスト、ダイナミックコメンタリー、エンターテイメントコンテンツなどのアプリケーションには不可欠だが、単一音声テキスト音声(TTS)と比較して大きな課題がある。 重要な要件は、正確なターンテイキング、クロスターンアコースティック一貫性、そして、現在のモデルは対話コンテキストモデリングの欠如のためにしばしば対処できない長周期安定性である。 このギャップを埋めるため,複数の言語にまたがる多人数会話音声を対象とした音声対話合成モデルであるMOSS-TTSDを提案する。 長文モデリングの強化により、MOSS-TTSDは、明示的な話者タグを持つ対話スクリプトから、最大60分間のシングルパス合成、最大5人の話者による多人数対話、短い参照音声クリップからのゼロショット音声クローニングをサポートする、長文の会話を生成する。 このモデルは、英語や中国語を含む様々な主流言語をサポートし、いくつかの長文のシナリオに適応している。 さらに,既存の評価手法の限界に対処するため,話者ダイアリゼーションツールに頼ることなく,話者帰属精度と話者類似度を測定する強制アライメントに基づく客観的評価フレームワークTTSD-evalを提案する。 客観的および主観的評価の結果から,MOSS-TTSDは対話合成において強力なオープンソースおよび独自ベースラインを超えていることが示された。

関連論文リスト

• RealTalk-CN: A Realistic Chinese Speech-Text Dialogue Benchmark With Cross-Modal Interaction Analysis [15.473595594666751]
  本稿では,中国初のマルチターン・マルチドメイン音声文二重モーダルTODデータセットであるRealTalk-CNを紹介する。 RealTalk-CNは、注釈付き自然発話不一致を伴う多様な対話シナリオをキャプチャする。 本稿では,実世界のユーザインタラクションを忠実にシミュレートする,新しいクロスモーダルチャットタスクを提案する。
  論文  参考訳（メタデータ） (2025-08-06T13:12:57Z)
• FMSD-TTS: Few-shot Multi-Speaker Multi-Dialect Text-to-Speech Synthesis for Ü-Tsang, Amdo and Kham Speech Dataset Generation [10.73307957038715]
  FMSD-TTS(FMSD-TTS)は、音声合成フレームワーク。 限られた参照音声と明示的な方言ラベルから並列方言音声を合成する。
  論文  参考訳（メタデータ） (2025-05-20T13:35:55Z)
• SpokenWOZ: A Large-Scale Speech-Text Benchmark for Spoken Task-Oriented Dialogue Agents [70.08842857515141]
  SpokenWOZは音声TODのための大規模音声テキストデータセットである。 SpokenWOZでは、クロスターンスロットと推論スロット検出が新たな課題である。
  論文  参考訳（メタデータ） (2023-05-22T13:47:51Z)

関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。

指定された論文の情報です。
本サイトの運営者は本サイト（すべての情報・翻訳含む）の品質を保証せず、本サイト（すべての情報・翻訳含む）を使用して発生したあらゆる結果について一切の責任を負いません。